张量 Tensor
张量(Tensor)是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数,这些线性关系的基本例子有内积、外积、线性映射以及笛卡儿积。其坐标在 n n n 维空间内,有 n r n^r nr 个分量的一种量,其中每个分量都是坐标的函数,而在坐标变换时,这些分量也依照某些规则作线性变换。 r r r 称为该张量的秩或阶(与矩阵的秩和阶均无关系)。
张量是一种特殊的数据结构,与数组和矩阵非常相似,他表示的是一种多维的“矩阵”的集合。张量(Tensor)是MindSpore网络运算中的基本数据结构,本教程主要介绍张量和稀疏张量的属性及用法。
矩阵的秩或阶是人工智能中基础且常考的考点:一般形式是求矩阵秩是多少
下面是对张量在MindSpore中的实践
创建张量
- 根据数据直接生成
data = [1, 0, 1, 0]
x_data = Tensor(data)
print(x_data, x_data.shape, x_data.dtype)
[1 0 1 0] (4,) Int64
- 从NumPy数组生成
np_array = np.array(data)
x_np = Tensor(np_array)
print(x_np, x_np.shape, x_np.dtype)
[1 0 1 0] (4,) Int64
- 使用init初始化器构造张量
当使用init
初始化器对张量进行初始化时,支持传入的参数有init
、shape
、dtype
。
-
init
: 支持传入initializer的子类。如:下方示例中的 One() 和 Normal()。 -
shape
: 支持传入list
、tuple
、int
。 -
dtype
: 支持传入mindspore.dtype。
- 继承张量并形成新的张量
from mindspore import ops
x_ones = ops.ones_like(x_data)
print(f"Ones Tensor: \n {x_ones} \n")
x_zeros = ops.zeros_like(x_data)
print(f"Zeros Tensor: \n {x_zeros} \n")
张量的属性
- 张量的属性包括形状、数据类型、转置张量、单个元素大小、占用字节数量、维数、元素个数和每一维步长。
- 形状(shape):
Tensor
的shape,是一个tuple(元组,python中的数据类型标签)。 - 数据类型(dtype):
Tensor
的dtype,是MindSpore的一个数据类型。 - 单个元素大小(itemsize):
Tensor
中每一个元素占用字节数,是一个整数。 - 占用字节数量(nbytes):
Tensor
占用的总字节数,是一个整数。 - 维数(ndim):
Tensor
的秩,也就是len(tensor.shape),是一个整数。 - 元素个数(size):
Tensor
中所有元素的个数,是一个整数。 - 每一维步长(strides):
Tensor
每一维所需要的字节数,是一个tuple。
- 形状(shape):
为更简单的理解shape的含义,我修改了一下官方文档中的x张量
x = Tensor(np.array([[1, 2], [3, 4], [5, 6]]), mindspore.int32)
print("x_shape:", x.shape)
print("x_dtype:", x.dtype)
print("x_itemsize:", x.itemsize)
print("x_nbytes:", x.nbytes)
print("x_ndim:", x.ndim)
print("x_size:", x.size)
print("x_strides:", x.strides)
x_shape: (3, 2)
x_dtype: Int32
x_itemsize: 4
x_nbytes: 24
x_ndim: 2
x_size: 6
x_strides: (8, 4)
张量的下标索引
Tensor索引与Numpy索引类似,索引从0开始编制,负索引表示按倒序编制,冒号:
和 ...
用于对数据进行切片。切片的意思是后面的参数是按行算的还是按列算的,详细请看代码
tensor = Tensor(np.array([[0, 1], [2, 3]]).astype(np.float32))
print("First row: {}".format(tensor[0]))
print("value of bottom right corner: {}".format(tensor[1, 1]))
print("Last column: {}".format(tensor[:, -1]))
print("First column: {}".format(tensor[..., 0]))
First row: [0. 1.]
value of bottom right corner: 3.0
Last column: [1. 3.]
First column: [0. 2.]
张量运算
张量之间有很多运算,包括算术、线性代数、矩阵处理(转置、标引、切片)、采样等,张量运算和NumPy的使用方式类似,下面介绍其中几种操作。
普通算术运算有:加(+)、减(-)、乘(*)、除(/)、取模(%)、整除(//)。
x = Tensor(np.array([1, 2, 3]), mindspore.float32)
y = Tensor(np.array([4, 5, 6]), mindspore.float32)
output_add = x + y
output_sub = x - y
output_mul = x * y
output_div = y / x
output_mod = y % x
output_floordiv = y // x
print("add:", output_add)
print("sub:", output_sub)
print("mul:", output_mul)
print("div:", output_div)
print("mod:", output_mod)
print("floordiv:", output_floordiv)
add: [5. 7. 9.]
sub: [-3. -3. -3.]
mul: [ 4. 10. 18.]
div: [4. 2.5 2. ]
mod: [0. 1. 0.]
floordiv: [4. 2. 2.]
对于一些函数的使用,这里之贴出定义,详细运行库中代码(个人觉得没必要,知道这些函数即可,毕竟到处可见类似函数)
concat() : 将给定维度上的一系列张量连接起来,0表示最高得也就是直接通过张量名[下标索引]
时的张量名所代表的元组。
stack():则是从另一个维度上将两个张量合并起来。(新建一个维度)
Tensor与Numpy之间的相互转化
Tensor() : 将ndarray转化为Tensor
asnumpy():将Tensor转化为ndarray
t = Tensor([1., 1., 1., 1., 1.])
print(f"t: {t}", type(t))
n = t.asnumpy()
print(f"n: {n}", type(n))
t: [1. 1. 1. 1. 1.] <class ‘mindspore.common.tensor.Tensor’>
n: [1. 1. 1. 1. 1.] <class ‘numpy.ndarray’>
将NumPy变量转换为Tensor变量同样也不贴出来了,详情请运行本章代码对应部分查看
有一个值得注意的点:
当我们运行代码时调用了np.add(n, 1, out=n)
函数,该函数同时改变了我们的Numpy数据和Tensor数据,这说明当我们进行转化时我们并没有创建新的变量,而是创建了新的变量指针。
稀疏张量
稀疏张量是一种特殊张量,其中绝大部分元素的值为零。
在某些应用场景中(比如推荐系统、分子动力学、图神经网络等),数据的特征是稀疏的,若使用普通张量表征这些数据会引入大量不必要的计算、存储和通讯开销。这时就可以使用稀疏张量来表征这些数据。
两种常用的稀疏张量格式
- CRS(Compressed Sparse Row)其中,非零元素的值存储在
values
中,非零元素的位置存储在indptr
(行)和indices
(列)中。 - COOCoordinate Format)稀疏张量格式用来表示某一张量在给定索引上非零元素的集合,若非零元素的个数为
N
,被压缩的张量的维数为ndims
。
常用稀疏张量的表达形式是<indices:Tensor, values:Tensor, shape:Tensor>
。其中,indices
表示非零下标元素, values
表示非零元素的值,shape表示的是被压缩的稀疏张量的形状。在这个结构下,我们定义了三种稀疏张量结构:CSRTensor
、COOTensor
和RowTensor
。
CSRTensor
indptr
: 一维整数张量, 表示稀疏数据每一行的非零元素在values
中的起始位置和终止位置, 索引数据类型支持int16、int32、int64。indices
: 一维整数张量,表示稀疏张量非零元素在列中的位置, 与values
长度相等,索引数据类型支持int16、int32、int64。values
: 一维张量,表示CSRTensor
相对应的非零元素的值,与indices
长度相等。shape
: 表示被压缩的稀疏张量的形状,数据类型为Tuple
,目前仅支持二维CSRTensor
。
COOTensor
indices
: 二维整数张量,每行代表非零元素下标。形状:[N, ndims]
, 索引数据类型支持int16、int32、int64。values
: 一维张量,表示相对应的非零元素的值。形状:[N]
。shape
: 表示被压缩的稀疏张量的形状,目前仅支持二维COOTensor
。
使用实例
在源代码最后有CSRTensor、COOTensor的使用实例
这里得给出代码,我做了一些修改,不然不好理解
# CSRTensor 稀疏张量表实例
indptr = Tensor([0, 1, 2])
indices = Tensor([0, 1])
values = Tensor([1, 2], dtype=mindspore.float32)
shape = (2, 4)
# Make a CSRTensor
csr_tensor = CSRTensor(indptr, indices, values, shape)
print(csr_tensor.astype(mindspore.float64).dtype)
print(csr_tensor)
indices = Tensor([[0, 1], [1, 2]], dtype=mindspore.int32)
values = Tensor([1, 2], dtype=mindspore.float32)
shape = (3, 4)
# Make a COOTensor
coo_tensor = COOTensor(indices, values, shape)
print(coo_tensor)
Float64
CSRTensor(shape=[2, 4],dtype=Float32,
indptr=Tensor(shape=[3], dtype=Int64, value=[0 1 2]),
indices=Tensor(shape=[2], dtype=Int64, value=[0 1]),
values=Tensor(shape=[2], dtype=Float32, value=[ 1.00000000e+00 2.00000000e+00]))
COOTensor(shape=[3, 4],dtype=Float32,
indices=Tensor(shape=[2, 2], dtype=Int32, value=[[0 1] [1 2]]),
values=Tensor(shape=[2], dtype=Float32, value=[ 1.00000000e+00 2.00000000e+00]))
其生成实例如下
CSRTensor:
[
1
0
0
0
0
2
0
0
]
\begin{split}\left[ \begin{matrix} 1 & 0 & 0 & 0 \\ 0 & 2 & 0 & 0 \end{matrix} \right]\end{split}
[10020000]
COOTensor:
[
0
1
0
0
0
0
2
0
0
0
0
0
]
\begin{split}\left[ \begin{matrix} 0 & 1 & 0 & 0 \\ 0 & 0 & 2 & 0 \\ 0 & 0 & 0 & 0 \end{matrix} \right]\end{split}
000100020000
- CSRTensor(indptr, indices, values, shape): 构造一个CSR稀疏张量表
- COOTensor(indices, values, shape) :构造一个COO稀疏张量表
理解不了CSR请参考:MindSpore
理解不了COO请参考:MindSpore